《自然语言处理导论》主要介绍自然语言处理理论与技术，旨在让更多人了解和学习自然语言处理技术，让人工智能更好地为我们服务。
《自然语言处理导论》共16章，包括自然语言理解基础和具体任务探索两部分，主要讲述了自然语言处理文本表示、分析、挖掘、推理等方面的相关概念、方法、技术和近期研究进展；详细介绍了文本分类、情感计算、知识抽取等基础方法；全面讲述了自动文摘、问答系统、机器翻译、社会计算、内容生成和跨模态计算等具体任务；最后讨论了深度学习前沿问题。
《自然语言处理导论》致力于帮助高等院校计算机相关专业学生牢固掌握自然语言处理的基本理论与技术，掌握如何分析文本信息、解决问题、完成相关研究的方法，以及了解自然语言处理的典型应用场景。

沈颖，中山大学智能工程学院副教授，获法国巴黎第十大学计算机博士学位。主要研究方向为通用人工智能的知识计算与推理，在国防信息和医学应用领域获得一系列有特色的成绩。在IEEE TOC、TKDE、TNNLS、TIP、TAC和ACL、AAAI、IJCAI、SIGIR等人工智能领域的著名国际期刊和会议上发表相关论文100余篇；开源数十项研究工作代码和6个数据集；授权专利16项；授权软件著作权15项。主持国家自然科学基金、国防科技173计划技术领域基金项目、教育部科技发展中心新一代信息技术创新项目、教育部高教司项目等。曾获欧盟教育部优秀硕士奖、法兰西大岛博士奖学金、巴黎大学博士一等荣誉毕业生、中国国家留学基金管理委员会优秀海外留学生奖。多次担任IJCAI、ACL等国际会议程序委员会委员，AAAI和SDM领域主席。

前言
第1章 绪论
1.1 基本概念
1.1.1 语言学与语音学
1.1.2 自然语言
1.1.3 自然语言处理
1.2 自然语言处理的发展历程
1.2.1 自然语言处理的发展历史
1.2.2 自然语言处理的研究现状
1.2.3 自然语言处理的发展前景
1.3 自然语言处理的基本方法
1.3.1 理性主义方法
1.3.2 经验主义方法
1.3.3 对比分析
1.4 自然语言处理的研究内容
1.4.1 文本分类
1.4.2 信息抽取
1.4.3 文本摘要
1.4.4 智能问答
第2章 语言模型
2.1 语言模型概述
2.2 n-gram统计语言模型
2.2.1 何为n-gram模型
2.2.2 n-gram语言模型评估词序列
2.2.3 n-gram统计语言模型的应用
2.2.4 n-gram模型中n对性能的影响
2.2.5 n-gram模型小结
思考题
参考文献
第3章 神经网络和神经语言模型
3.1 人工神经网络和神经语言模型
3.1.1 人工神经网络
3.1.2 神经语言模型
3.2 卷积神经网络
3.2.1 卷积神经网络结构
3.2.2 卷积神经网络的文本处理
3.3 循环神经网络
3.4 递归神经网络
3.4.1 递归神经网络的前向计算
3.4.2 递归神经网络的训练方法
思考题
参考文献
第4章 词和语义向量
4.1 离散分布表示
4.1.1 独热表示法
4.1.2 词袋表示法
4.2 分布式表示
4.2.1 Word2vec
4.2.2 矩阵分解
4.2.3 GloVe
4.3 文本特征选择法
4.3.1 基于文档频率的特征提取法
4.3.2 χ2统计量
4.3.3 信息增益法
4.3.4 互信息法
4.4 特征权重计算方法
4.4.1 布尔权重
4.4.2 绝对词频
4.4.3 TF-IDF
思考题
参考文献
第5章 预训练语言模型
5.1 Transformer
5.2 ELMo
5.3 GPT
5.4 BERT
5.5 后BERT时代
思考题
参考文献
第6章 序列标注
6.1 马尔可夫模型
6.2 条件随机场、维特比算法
6.2.1 条件随机场的原理解析
6.2.2 条件随机场的特性
6.3 序列标注任务
6.3.1 自动分词
6.3.2 汉语自动分词中的基本问题
6.3.3 歧义切分问题
6.3.4 未登录词问题
6.4 汉语分词方法
6.4.1 基于词频度统计的分词方法
6.4.2 N-最短路径方法
6.4.3 基于词的n元语法模型的分词方法
6.4.4 由字构词的汉语分词方法
6.4.5 基于词感知机的汉语分词方法
6.4.6 基于字的生成式模型和区分式模型相结合的汉语分词方法
6.4.7 其他分词方法
6.5 词性标注
6.5.1 词性标注概述
6.5.2 基于规则的词性标注方法
6.5.3 基于统计模型的词性标注方法
6.5.4 统计方法与规则方法相结合的词性标注方法
6.5.5 词性标注的一致性检查
6.5.6 技术评测
6.6 命名实体识别
6.6.1 基于条件随机场的命名实体识别方法
6.6.2 基于多特征的命名实体识别方法
6.6.3 基于神经网络的命名实体识别方法
思考题
参考文献
第7章 语义分析
7.1 词义消歧
7.1.1 有监督的词义消歧方法
7.1.2 基于词典的词义消歧方法
7.1.3 无监督的词义消歧方法
7.1.4 词义消歧系统评价
7.2 语义角色标注
7.2.1 语义角色标注基本方法
7.2.2 语义角色标注的领域适应性问题
7.3 双语联合语义角色标注方法
7.3.1 基本思路
7.3.2 双语联合语义角色标注方法系统实现
思考题
参考文献
第8章 文本分类
8.1 文本分类概述
8.2 传统分类器设计
8.2.1 朴素贝叶斯分类器
8.2.2 基于支持向量机的分类器
8.2.3 KNN法
8.2.4 线性最小二乘拟合法
8.2.5 决策树分类器
8.3 基于神经网络方法
8.3.1 文本分析中的循环神经网络方法
8.3.2 文本分析中的递归神经网络方法
8.4 文本分类性能评测
思考题
参考文献
第9章 情感计算
9.1 文档或句子级情感计算方法
9.1.1 情感词典方法
9.1.2 基于传统机器学习的监督情感分类
9.1.3 深度神经网络方法
9.2 属性级情感分析
9.2.1 意见挖掘和属性抽取
9.2.2 针对特定目标的情感分析
9.2.3 立场检测
9.3 其他情感分析任务
9.3.1 讽刺识别
9.3.2 多模态情感分析
思考题
参考文献
第10章 知识抽取
10.1 知识抽取概述
10.2 命名实体识别
10.2.1 命名实体识别概述
10.2.2 基于词典及规则的方法
10.2.3 基于机器学习的有监督方法
10.2.4 基于深度学习的方法
10.3 实体链接
10.3.1 实体链接概述
10.3.2 通用解决框架
10.3.3 实体链接数据集
10.4 关系抽取
10.4.1 关系抽取概述
10.4.2 有监督关系抽取
10.4.3 远程监督
10.4.4